مقارنة بتقنية التصوير بدون عدسة ذات الفتحة الوحيدة ، تتميز تقنية التصوير ذات الفتحة المشفرة (Coded Aperture Imaging، CAI) بشدة إضاءة أعلى ودقة أعلى، وقد حظيت باهتمام واسع في السنوات الأخيرة. ومع ذلك، تواجه تقنيات CAI الحالية قيودًا تتمثل في دقة زمنية منخفضة للصور وأداء تصوير ضعيف. نظرًا لقدرة التعلم العميق القوية على نمذجة الميزات المعقدة، فقد تم تطبيقها على نطاق واسع في مجالات معالجة الإشارات المختلفة. تقترح هذه الورقة استخدام تقنيات التعلم العميق لمعالجة هذه المشكلات، من خلال بناء نموذج شبكة تنافسية توليدية يعتمد على آلية الانتباه التلافيفي (Convolutional Attention Mechanism Based-Generative Adversarial Network، CAM-GAN) ليتكيف مع السياقات والمتطلبات المختلفة، مما يعزز فعالية CAI واستقراريتها. من خلال إدخال وحدة آلية الانتباه التلافيفي، يتمكن المولد من التركيز الانتقائي على مناطق معينة من البيانات، لاستعادة تفاصيل وهيكل الصورة الأصلية. استنادًا إلى ذلك، يتم تدريب الشبكة في شكل شبكة تنافسية توليدية لتوليد صور أكثر واقعية وعالية الجودة. أظهرت نتائج التجارب على مجموعات البيانات العامة أن CAM-GAN يتفوق في جودة الصورة مقارنة بالطرق الأخرى، محققًا أعلى قيمة لمعدل الذروة إشارة إلى الضوضاء (PSNR)، حيث تجاوز خوارزمية UNet-GAN، الأقرب إليه، بحوالي 0.32، مما يبرهن بشكل كافٍ على إمكانيات تطبيق تقنيات التعلم العميق في مجال CAI.

تصوير فتحة مشفرة; التعلم العميق; آلية الانتباه; الشبكة التنافسية التوليدية